Fine-Tuning de LLMs: De los Datos al Despliegue

El fine-tuning de modelos de lenguaje ha pasado de ser una actividad de investigación de nicho a una habilidad esencial para ingenieros de IA. Ya sea que necesites un modelo que hable el lenguaje de tu empresa, siga un formato de salida específico o maneje tareas de dominio con precisión de nivel experto, el fine-tuning es a menudo la diferencia entre un prototipo y un sistema en producción. Este curso te da el conocimiento práctico para ir desde datos en bruto hasta un modelo personalizado desplegado.

Módulo I — Fundamentos y Estrategia (Lecciones 1-2): Antes de tocar cualquier código, necesitas saber cuándo el fine-tuning es la herramienta correcta. Comenzamos con un marco de decisión que compara prompting, RAG y fine-tuning, luego recorremos el panorama de técnicas desde el fine-tuning completo hasta métodos eficientes en parámetros como LoRA, QLoRA y DoRA. Entenderás las compensaciones en cómputo, memoria y calidad antes de comprometerte con un camino.

Módulo II — Datos y Entrenamiento (Lecciones 3-7): El núcleo de cualquier proyecto de fine-tuning está en los datos. Cubrimos ingeniería de datasets desde la recolección hasta el formateo, luego profundizamos en la mecánica de LoRA y QLoRA. Entrenarás modelos usando tanto el ecosistema de Hugging Face (transformers, peft, trl) como Unsloth para ejecuciones más rápidas y eficientes en memoria. Cada lección incluye código completo y ejecutable.

Módulo III — Evaluación, Exportación y Producción (Lecciones 8-12): El entrenamiento es solo la mitad de la batalla. Cubrimos monitoreo y depuración de ejecuciones de entrenamiento, evaluación de tu modelo con métricas específicas de tarea y enfoques de LLM-como-juez, fusión y exportación de pesos LoRA a formatos de producción, despliegue con motores de inferencia como vLLM y Ollama, y finalmente un proyecto capstone completo donde harás fine-tuning, evaluarás, fusionarás, convertirás y desplegarás tu propio modelo de principio a fin.